Применение методов нейроинформатики для исследования мехатронных систем
Изучение принципа работы нейронной сети для распознавания образов на примере шумерского алфавита. Рассмотрение нейронной сети, которая должна точно распознавать идеальные векторы входа и с максимальной точностью воспроизводить зашумленные векторы.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 24.02.2019 |
| Размер файла | 1,8 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Применение методов нейроинформатики для исследования мехатронных систем
Шевцов А.А.
Тарасян В.С.
Уральский государственный университет путей сообщения
(Екатеринбург)
Цель: Изучить работу нейронной сети для распознавания образов на примере шумерского алфавита
Постановка задачи
Требуется создать нейронную сеть для распознавания символов шумерского алфавита. В качестве датчика предполагается использовать систему распознавания, которая выполняет оцифровку каждого символа, находящегося в поле зрения. В результате каждый символ будет представлен шаблоном размера 40x40.
Проектируемая нейронная сеть должна точно распознавать идеальные векторы входа и с максимальной точностью воспроизводить зашумленные векторы. нейронный сеть мехатронный вектор
Построим нейронную сеть, которая включает в себя 56 входов (вектор 56 символов) и 1 выход (распознанный символ). Данная НС является двухслойной сетью. Функцией активации поставим логарифмическую сигмоидную функцию, которую удобно использовать, потому что выходные векторы содержат элементы со значениями в диапазоне от 0 до 1, что потом удобно перевести в булеву алгебру. На скрытый уровень выделим 40 нейронов.
Схематически рассматриваемую сеть можно представить следующей схемой, как показано на рис. 1:
Рисунок 1. Схема нейронной сети
Интерфейс
Согласно поставленной задаче, интерфейс состоит из 5-ти кнопок управления нейронной сетью, а именно, кнопок: «Создать нейронную сеть», «Изменить параметры сети», «Тренировать сеть», «Оценить эффективность», «Проверить работу». Так же интерфейс состоит 4-ех строк, данные в которых можно корректировать по желанию оператора, строки содержат информацию о количестве использующихся, на данный момент времени нейронах, включая количество нейронов на скрытом слое (S1) , строка «pеrformFcn» содержит информацию об операторе, который отвечает за использования «сложных», как в данной работе, так и «простых» функций.
Строчка «goal» демонстрирует к какой точности должна стремится нейронная сеть во время тренировки. Строка «epochs» содержит данные, показывающие количество эпох, которые используются для тренировки нейронной сети.
В интерфейс присутствует вспомогательная панель основная задача , которой заключается в том, чтобы показывать статус, выполняемого действия.
Данный интерфейс, показан на рисунке 2:
Рисунок 2. Графическое изображение интерфейса программы
Тренировка нейронной сети
После ввода необходимого числа нейронов оператором, и нажатия кнопки «Создать сеть», происходит построение данной сети по количеству заданных нейронов, активируются кнопки «Изменить параметры сети», «Тренировать сеть», «Оценить эффективность», «Проверить работу».
Для дальнейшего исследования работы нейронной сети необходимо активировать кнопку «Тренировать сеть», блок управления данным процессом (nntraintool) выглядит следующим образом, как показано на рисунке 3. В появившемся окне можем наблюдать процесс обучения нейронной сети.
Рисунок 3. Графическое изображение nntraintool
Данный блок показывает за какое количество времени и какое количество эпох можно «натренировать» нейронную сеть, чтобы она с точность до 0,001 смогла распознавать шаблонные образы из каталога alphabet. Согласно нашим информации предоставленной nntraintool из 5000 эпох за 414, за 1 минуту 7 секунд, сеть смогла «натренировать» нейроны для распознавания шаблонов до точности 0,00126. Также блок nntraintool показывает градиент, который скорость изменения величины.
С помощью кнопки Performance можно просмотреть процесс обучения с помощью графика, представленного на рисунке 4.
Рисунок 4. График процесса обучения
Создание и оценка эффективности сети
Далее следует активировать кнопку «Проверить работу», в результате появляется интерфейс управления второго уровня, который содержит изображения шумерского алфавита (всего 56 символов), как показано на рисунке 5.
Рисунок 5. Изображение интерфейса с шумерским алфавитом
Активируем один из символов, изображенных на интерфейсе. После активации определенного символа нейронная сеть должна найти данный образ из каталога C:\alphabet\, в качестве имени сам символ, с разрешением png. Результат работы нейронной сети показан на рис. 6. Данный вывод демонстрирует ту фигуру, которую выбрал оператор (располагается под надписью «Искомая фигура». Под надписью находятся фигуры , которые сеть смогла распознать и вывести на экран и демонстрации оператору. Справа располагается зашумленная фигура, слева не зашумленная фигура.
Рисунок 6. Вывод программы
Оценка эффективности работы созданной нейронной сети можно представить в виде графика, как показано на рисунке 7
Размещено на http://www.allbest.ru/
Рисунок 7. График оценка эффективности
Вывод: нейронная сеть, при заданных параметрах: 40 нейронах на скрытом слое, и при 5000 циклов, работает достаточно точно, о чем свидетельствует график эффективности представленный на рисунке 7.Также результаты проверки работы нейронной сети для распознавания символов букв шумерского алфавита подтверждают высокую степень точности её работы.
Исследования эффективности работы и результаты экспериментов
Так как число нейронов на скрытом слое 40, достаточно для высокой степени работы нейронной сети, изменим данный параметр, а результаты экспериментов представим в виде графиков и результатов вывода информации интерфейсом.
Последовательно уменьшим количество нейронов до тех пор, пока нейронная сеть не начнет совершать ошибки.
Установим значение количества нейронов на скрытом слое 1.Реузльтат представлен на рисунках 8 и 9.
Размещено на http://www.allbest.ru/
Рисунок 8. Вывод программы (выборка из 2-х экспериментов)
Вывод: особых изменений в работе сети не обнаружено. Уменьшение количества нейронов вплоть до 1 при 5000 циклов не привело сеть к возникновению ошибок.
Уменьшим количество эпох обучения нейронной сети. Путем эксперимента было установлено количество эпох равное 500, при 40 нейронах в скрытом слое для возникновения ошибок в выводе программы, данный результат показан на рисунках: 10 (Performance ), 11 (оценка эффективности).
Размещено на http://www.allbest.ru/
Рисунок 9. График оценка эффективности
Размещено на http://www.allbest.ru/
Рисунок 10.Вывод программы (выборка из 3-х экспериментов)
Вывод: уменьшение количества эпох, в данном эксперименте до 500, при неизменном количестве нейронов скрытого слоя, а именно 40, приводит к неправильной работе нейронной сети, уменьшение точности распознавания зашумленных символов шумерского алфавита, и как результат - неправильный вывод искомого символа на интерфейс.
Размещено на http://www.allbest.ru/
Рисунок 11.График оценка эффективности
Уменьшим количество эпох обучения нейронной сети до 100
Размещено на http://www.allbest.ru/
Рисунок 12.Вывод программы (выборка из 3-х экспериментов)
Вывод: правильная и точная работа нейронной сети прежде всего связана с количеством эпох, которое задает оператор. Так как чем больше эпох, тем лучше будет «натренирована» созданная нейронная сеть, и как результат - повышение точности распознавания образов из каталога alphabet.
Размещено на http://www.allbest.ru/
Рисунок 13.График оценка эффективности
Список использованных источников
1. Медведев В.С., Потемкин В.Г. Нейронные сети. MatLab 6. М.: ДИАЛОГ-МИФИ, 2002. (Дата обращения 28.01.2018)
2. Миронов И.С., Скурлаев С.В. Распознавание образов при помощи нейронной сети [Электронный ресурс]. URL: http://confonline.susu.ru/index.php?option=com_content&view=article&id
=57:2011-05-06-04-36-21&catid=16:-2----&Itemid=18(Дата обращения 28.01.2018)
3. Тарасян В.С. Использование нейронной сети для распознавания образов [Электронный ресурс] URL:https://bb.usurt.ru (Дата обращения 28.01.2018)
4. Хайкин С. Нейронные сети: полный курс. М.: Издательский дом "Вильямс", 2006. (Дата обращения 28.01.2018)
5. Шеремет А.И., Перепелица В.В., Денисова А.М. Проектирование нейронной сети для распознавания символов в программной среде MATLAB [Электронный ресурс]. URL: http://nauka.zinet.info/13/sheremet.php (Дата обращения 28.01.2018)
Размещено на Allbest.ru
...Подобные документы
Описание структурной схемы искусственного нейрона. Характеристика искусственной нейронной сети как математической модели и устройств параллельных вычислений на основе микропроцессоров. Применение нейронной сети для распознавания образов и сжатия данных.
презентация [387,5 K], добавлен 11.12.2015Разработка алгоритма и программы для распознавания пола по фотографии с использованием искусственной нейронной сети. Создание алгоритмов: математического, работы с приложением, установки весов, реализации функции активации и обучения нейронной сети.
курсовая работа [1,0 M], добавлен 05.01.2013Выбор типа и структуры нейронной сети. Подбор метода распознавания, структурная схема сети Хопфилда. Обучение системы распознавания образов. Особенности работы с программой, ее достоинства и недостатки. Описание интерфейса пользователя и экранных форм.
курсовая работа [3,0 M], добавлен 14.11.2013Исследование нечеткой модели управления. Создание нейронной сети, выполняющей различные функции. Исследование генетического алгоритма поиска экстремума целевой функции. Сравнительный анализ нечеткой логики и нейронной сети на примере печи кипящего слоя.
лабораторная работа [2,3 M], добавлен 25.03.2014Изучение и реализация системы, использующей возможности Microsoft Azure для распределенного обучения нейронной сети. Рассмотрение функционирования распределенных вычислений. Выбор задачи для исследования; тестирование данного программного ресурса.
дипломная работа [2,0 M], добавлен 20.07.2015Математическая модель искусственной нейронной сети. Структура многослойного персептрона. Обучение без учителя, методом соревнования. Правило коррекции по ошибке. Метод Хэбба. Генетический алгоритм. Применение нейронных сетей для синтеза регуляторов.
дипломная работа [1,5 M], добавлен 17.09.2013Выявление закономерностей и свойств, применимых в искусственной нейронной сети. Построение графиков и диаграмм, определяющих степень удаленности между объектами. Моделирование, тестирование и отладка программной модели, использующей клеточный автомат.
дипломная работа [4,1 M], добавлен 25.02.2015Математическая модель нейронной сети. Однослойный и многослойный персептрон, рекуррентные сети. Обучение нейронных сетей с учителем и без него. Алгоритм обратного распространения ошибки. Подготовка данных, схема системы сети с динамическим объектом.
дипломная работа [2,6 M], добавлен 23.09.2013Нейронные сети и оценка возможности их применения к распознаванию подвижных объектов. Обучение нейронной сети распознаванию вращающегося трехмерного объекта. Задача управления огнем самолета по самолету. Оценка экономической эффективности программы.
дипломная работа [2,4 M], добавлен 07.02.2013Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.
дипломная работа [2,7 M], добавлен 18.02.2017Модель и задачи искусственного нейрона. Проектирование двуслойной нейронной сети прямого распространения с обратным распространением ошибки, способной подбирать коэффициенты ПИД-регулятора, для управления движения робота. Комплект “LEGO Mindstorms NXT.
отчет по практике [797,8 K], добавлен 13.04.2015Базовые архитектуры компьютеров: последовательная обработка символов по заданной программе и параллельное распознавание образов по обучающим примерам. Искусственные нейронные сети. Прототип для создания нейрона. Поведение искусственной нейронной сети.
контрольная работа [229,5 K], добавлен 28.05.2010Принцип построения и описание прибора. Назначение и область применения спектрометра космических излучений на алмазных детекторах. Аппроксимация степенным многочленом. Математическая модель нейронной сети. Описание интерфейса программного комплекса.
дипломная работа [591,1 K], добавлен 03.09.2017Математические модели, построенные по принципу организации и функционирования биологических нейронных сетей, их программные или аппаратные реализации. Разработка нейронной сети типа "многослойный персептрон" для прогнозирования выбора токарного станка.
курсовая работа [549,7 K], добавлен 03.03.2015Механизм работы нервной системы и мозга человека. Схема биологического нейрона и его математическая модель. Принцип работы искусственной нейронной сети, этапы ее построения и обучения. Применение нейронных сетей в интеллектуальных системах управления.
презентация [98,6 K], добавлен 16.10.2013Этап предварительной обработки данных, классификации, принятия решения. Изображения обучающих рукописных символов, тестового символа. Выход нейронной сети для тестового символа. График тренировки нейронной сети. Последовательность точек. Входные вектора.
статья [245,7 K], добавлен 29.09.2008Теоретические основы распознавания образов. Функциональная схема системы распознавания. Применение байесовских методов при решении задачи распознавания образов. Байесовская сегментация изображений. Модель TAN при решении задачи классификации образов.
дипломная работа [1019,9 K], добавлен 13.10.2017Основные понятия теории распознавания образов и ее значение. Сущность математической теории распознавания образов. Основные задачи, возникающие при разработке систем распознавания образов. Классификация систем распознавания образов реального времени.
курсовая работа [462,2 K], добавлен 15.01.2014Понятие искусственного нейрона и искусственных нейронных сетей. Сущность процесса обучения нейронной сети и аппроксимации функции. Смысл алгоритма обучения с учителем. Построение и обучение нейронной сети для аппроксимации функции в среде Matlab.
лабораторная работа [1,1 M], добавлен 05.10.2010Прогнозирование валютных курсов с использованием искусственной нейронной сети. Общая характеристика среды программирования Delphi 7. Существующие методы прогнозирования. Характеристика нечетких нейронных сетей. Инструкция по работе с программой.
курсовая работа [2,2 M], добавлен 12.11.2010
